Förutsägelse av patientstatus - OJIA 2 Simulering

🏥 Problem: Analys och prediktion av patientens tillstånd

För detta problem ska du implementera en maskininlärningsmodell för att förutsäga värdet på fältet Status med hjälp av en tillgänglig dataset som innehåller information om patienter. Datasetet är organiserat i en CSV-fil som inkluderar olika egenskaper (features), och modellens utvärdering kommer att baseras på precisionen för klassen Dead.

📊 Datasetet

Datasetet innehåller följande fält:

• Age: Patientens ålder.
• Race: Patientens ras (ex: White, Other).
• Marital Status: Patientens civilstånd.
• T Stage: Tumörstadium (T1, T2, T3, T4).
• N Stage: Grad av påverkan på lymfkörtlarna.
• 6th Stage: Cancerstadium enligt TNM-klassificeringen från sjätte upplagan.
• differentiate: Grad av tumördifferentiering.
• Grade: Tumörens histologiska grad (1, 2, 3 etc.).
• A Stage: Klassificering av sjukdomsstadium.
• Tumor Size: Tumörens storlek.
• BMI: Body Mass Index.
• Heart Rate: Hjärtfrekvens.
• Serum Creatinine: Serumkreatininnivå.
• Uric Acid: Urinsyranivå.
• Hemoglobin: Hemoglobinkoncentration.
• GFR (Glomerular Filtration Rate): Glomerulär filtrationshastighet.
• Serum Sodium: Serumnatriumkoncentration.
• Serum Potassium: Serumkaliumkoncentration.
• Serum Albumin: Serumalbuminnivå.
• Lactate: Laktatkoncentration.
• Status: Patientens tillstånd („Dead" eller „Alive") – målfältet.

📝 Uppgifter

För de första deluppgifterna kommer du att behöva ladda datasetet och utföra statistiska analyser på train.csv.

Deluppgift 1 (10 poäng)

Klassificera njurfunktionen för varje patient baserat på GFR-värdet:

• Normal om GFR >= 90
• Mildly Decreased om 60 <= GFR < 90

Deluppgift 2 (10 poäng)

Beräkna kvartilerna för värdena i kolumnen Serum Creatinine (Q1, Q2, Q3) och klassificera patienterna i test:

• Very Low om Serum Creatinine <= Q1
• Low om Q1 < Serum Creatinine <= Q2
• High om Q2 < Serum Creatinine <= Q3
• Very High om Serum Creatinine > Q3

Deluppgift 3 (10 poäng)

Bestämning av BMI-värdet:

• 1 om BMI > medianen från train
• 0 om BMI <= medianen

Deluppgift 4 (10 poäng)

Antal patienter från train som befinner sig i samma T Stage som patienten från test.

Deluppgift 5 (60 poäng)

Bygg en ML-modell för att förutsäga Status (Dead eller Alive) baserat på egenskaper. Utvärderingen görs baserat på precisionen för klassen Dead.

🧮 Utvärdering

Utvärderingsmåttet är precision för klassen Dead:

där:

• TP = antal patienter korrekt förutsagda som Dead
• FP = antal patienter felaktigt förutsagda som Dead

Format för inlämningsfilen

Inlämningsfilen ska vara i CSV-format (Comma-Separated Values), med följande kolumner:

• subtaskID - index för uppgiften som vi ger svaret för
• datapointID - unik identifierare för patienten från datasetet
• answer - svaret associerat med patienten från datasetet för den angivna uppgiften

Exempel:

1subtaskID,datapointID,answer21,3220,Normal32,3220,Very High43,3220,054,3220,128165,3220,1

📌 Anteckningar

• Målfältet är Status.
• Vissa fält kan innehålla saknade värden (NaN) och måste hanteras.
• Analys av korrelationen mellan variabler och målvariabeln rekommenderas.
• Upptäck och eliminera extremvärden om de påverkar modellens prestanda.
• Att skicka in en sample_output för lokal testning ger 5 poäng.

🗂️ Användbara resurser

• Komplett Starter Kit – innehåller ett skelett som du kan börja från för att lösa problemet